QVikhr - 3 - 1.7B - Instruction - noreasoningオープンソースモデル - ロシア語と英語のテキストを効率的に処理

Qvikhr 3 1.7B Instruction Noreasoning

Vikhrmodelsによって開発

QVikhr-3-1.7B-Instruction-noreasoningは、Qwen/Qwen3-1.7Bに基づく命令モデルで、ロシア語データセットGrandMaster2で訓練され、ロシア語と英語のテキストを高効率に処理するために設計されています。

大規模言語モデル

Transformers

オープンソースライセンス:Apache-2.0 #ロシア語命令最適化 #バイリンガル応答 #高効率推論

ダウンロード数 274

リリース時間 : 5/29/2025

モデル概要

このモデルは、ロシア語の命令生成、コンテキスト応答、テキスト分析に最適化されており、専門用途やユーザー向けのアプリケーションやサービスに組み込むのに適しています。

モデル特徴

バイリンガルサポート

ロシア語と英語のテキスト処理に最適化されており、バイリンガルタスクを高効率に処理できます。

高効率応答

正確な応答を提供し、タスクを迅速に実行できるため、リアルタイムアプリケーションシナリオに適しています。

命令最適化

命令生成とテキストデータ処理に特化して最適化されており、専門用途に適しています。

モデル能力

テキスト生成

命令理解

コンテキスト応答

テキスト分析

使用事例

専門アプリケーション

ロシア語命令生成

ロシア語の文法と意味に合った命令テキストを生成します。

正確なロシア語命令応答

バイリンガルテキスト処理

ロシア語と英語の混合テキストを処理し、一貫した応答を提供します。

高効率なバイリンガルテキスト分析

ユーザーサービス

カスタマーサポートロボット

カスタマーサポートシステムに組み込んで、迅速なロシア語と英語の応答を提供します。

カスタマーサポートの効率向上

🚀 QVikhr-3-1.7B-Instruction-noreasoning

QVikhr-3-1.7B-Instruction-noreasoningは、Qwen/Qwen3-1.7Bをベースに、GrandMaster2データセットで学習された指示型モデルです。ロシア語と英語のテキスト処理に最適化されており、正確な応答と高速なタスク実行を実現します。

🚀 クイックスタート

このモデルは、ロシア語と英語のテキスト処理に特化した指示型モデルです。以下のサンプルコードを使って、簡単にモデルを実行できます。

✨ 主な機能

ベースモデル: Qwen/Qwen3-1.7B
特化言語: ロシア語
学習データセット: GrandMaster2
サポート言語: ロシア語と英語のバイリンガル

📦 インストール

インストールに関する具体的な手順は原ドキュメントに記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load the model and tokenizer
model_name = "Vikhrmodels/QVikhr-3-1.7B-Instruction-noreasoning"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Prepare the input text
input_text = "–ù–∞–ø–∏—à–∏ –∫—Ä–∞—Ç–∫–æ–µ –æ–ø–∏—Å–∞–Ω–∏–µ –∫–Ω–∏–≥–∏ –ì–∞—Ä—Ä–∏ –ü–æ—Ç—Ç–µ—Ä."

messages = [
    {"role": "user", "content": input_text},
]

# Tokenize and generate text
input_ids = tokenizer.apply_chat_template(messages, truncation=True, add_generation_prompt=True, return_tensors="pt")
output = model.generate(
    input_ids,
    max_length=1512,
    temperature=0.3,
    num_return_sequences=1,
    no_repeat_ngram_size=2,
    top_k=50,
    top_p=0.95,
)

# Decode and print result
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

出力例

モデル応答

<think>

</think>

–ö—Ä–∞—Ç–∫–æ–µ –æ–ø–∏—Å–∞–Ω–∏–µ –∫–Ω–∏–≥–∏ –ì–∞—Ä—Ä–∏ –ü–æ—Ç—Ç–µ—Ä–∞:

¬´–ì–∞—Ä—Ä–∏ –ü–æ—Ç—Ç–µ—Ä –∏ —Ñ–∏–ª–æ—Å–æ—Ñ—Å–∫–∏–π –∫–∞–º–µ–Ω—å¬ª ‚Äî —ç—Ç–æ –∏—Å—Ç–æ—Ä–∏—è –æ –º–∞–ª—å—á–∏–∫–µ, –∫–æ—Ç–æ—Ä—ã–π, –Ω–µ—Å–º–æ—Ç—Ä—è –Ω–∞ —Å–ª–∞–±–æ—Å—Ç—å, —Å—Ç–∞–ª —Å–≤–∏–¥–µ—Ç–µ–ª–µ–º –≤–µ–ª–∏–∫–∏—Ö —Å–æ–±—ã—Ç–∏–π, —Å–≤—è–∑–∞–Ω–Ω—ã—Ö —Å –º–∞–≥–∏–µ–π, –º–∏—Å—Ç–∏–∫–æ–π –∏ –ø–æ–∏—Å–∫–æ–º –∏—Å—Ç–∏–Ω–Ω–æ–≥–æ —Å–º—ã—Å–ª–∞. –ì–∞—Ä—Ä–∏, –∂–∏–≤—É—â–∏–π –≤ –º–∞–ª–µ–Ω—å–∫–æ–º –≥–æ—Ä–æ–¥–∫–µ, –≤–ª—é–±–ª—è–µ—Ç—Å—è –≤ –º–∞–≥–∏—é, –∫–æ–≥–¥–∞ —Å–ª—É—á–∞–π–Ω–æ —É—á–∞—Å—Ç–≤—É–µ—Ç –≤ –Ω–µ–æ–∂–∏–¥–∞–Ω–Ω–æ–º –ø—Ä–∏–∫–ª—é—á–µ–Ω–∏–∏, –≥–¥–µ –æ–Ω —Å—Ç–∞–ª —Å–≤–∏–¥–µ—Ç–µ–ª–µ–º –∑–∞–≥–∞–¥–æ—á–Ω–æ–≥–æ —Å–æ–±—ã—Ç–∏—è, —Å–≤—è–∑–∞–Ω–Ω–æ–≥–æ —Å ¬´–§–∏–ª–æ—Å–æ—Ñ—Å–∫–∏–º –∫–∞–º–Ω–µ–º¬ª.

–í–æ –≤—Ä–µ–º—è —ç—Ç–æ–≥–æ —Å–æ–±—ã—Ç–∏—è –æ–Ω —Å—Ç–∞–ª–∫–∏–≤–∞–µ—Ç—Å—è —Å —Ç—Ä–µ–º—è –º–∞–≥–∞–º–∏, –∫–æ—Ç–æ—Ä—ã–µ, –ø–æ –∏—Ö —Å–ª–æ–≤–∞–º, ¬´–≤—Å–µ –≤–∏–¥—è—Ç –≤ –±—É–¥—É—â–µ–º¬ª. –û–Ω–∏ –ø—Ä–µ–¥—É–ø—Ä–µ–∂–¥–∞—é—Ç –æ –ø—Ä–∏–±–ª–∏–∂–µ–Ω–∏–∏ –æ–ø–∞—Å–Ω–æ–≥–æ —Å–æ–±—ã—Ç–∏—è, –∫–æ—Ç–æ—Ä–æ–µ –º–æ–∂–µ—Ç –∏–∑–º–µ–Ω–∏—Ç—å –º–∏—Ä. –ì–∞—Ä—Ä–∏, –Ω–µ—Å–º–æ—Ç—Ä—è –Ω–∞ —Å—Ç—Ä–∞—Ö –∏ –Ω–µ–æ–ø—Ä–µ–¥–µ–ª–µ–Ω–Ω–æ—Å—Ç—å, —Ä–µ—à–∞–µ—Ç —Å–ª–µ–¥–æ–≤–∞—Ç—å –∑–∞ –º–∞–≥–∞–º–∏, —á—Ç–æ–±—ã —Å–ø–∞—Å—Ç–∏ –º–∏—Ä.

–í–º–µ—Å—Ç–µ —Å –î–æ—Ä–∏—Å –∏ –ù–∏–º–º–æ–º –æ–Ω –æ—Ç–ø—Ä–∞–≤–ª—è–µ—Ç—Å—è –≤ –ø—É—Ç–µ—à–µ—Å—Ç–≤–∏–µ –≤ –ø—Ä–æ—à–ª–æ–µ, —á—Ç–æ–±—ã –∏–∑–º–µ–Ω–∏—Ç—å —Å—É–¥—å–±—É, –Ω–æ —Å—Ç–æ–ª–∫–Ω—É–≤—à–∏—Å—å —Å —Ç—Ä—É–¥–Ω–æ—Å—Ç—è–º–∏ –∏ –Ω–µ–ø—Ä–µ–¥–≤–∏–¥–µ–Ω–Ω—ã–º–∏ –æ–±—Å—Ç–æ—è—Ç–µ–ª—å—Å—Ç–≤–∞–º–∏, –æ–Ω–∏ –Ω–∞—Ö–æ–¥—è—Ç —Å–∏–ª—ã –ø—Ä–µ–æ–¥–æ–ª–µ—Ç—å –∏—Ö.

–ö–æ–Ω–µ—Ü –∫–Ω–∏–≥–∏ ‚Äî —ç—Ç–æ –≤—Å—Ç—Ä–µ—á–∞ —Å ¬´–§–∏–ª–æ—Å–æ—Ñ—Å–∫–∏–º –∫–∞–º–Ω–µ–º¬ª, –∫–æ—Ç–æ—Ä—ã–π, –∫–∞–∫ –æ–∫–∞–∑–∞–ª–æ—Å—å, –º–æ–∂–µ—Ç –∏–∑–º–µ–Ω–∏—Ç—å —Ä–µ–∞–ª—å–Ω–æ—Å—Ç—å. –ì–∞—Ä—Ä–∏ –ø–æ–Ω–∏–º–∞–µ—Ç, —á—Ç–æ –µ–≥–æ –≤—ã–±–æ—Ä –∏ –¥–µ–π—Å—Ç–≤–∏—è –º–æ–≥—É—Ç –∏–∑–º–µ–Ω–∏—Ç—å –º–∏—Ä, –∏ —Ä–µ—à–∞–µ—Ç –Ω–µ –±–µ–∂–∞—Ç—å –æ—Ç –æ—Ç–≤–µ—Ç—Å—Ç–≤–µ–Ω–Ω–æ—Å—Ç–∏, –∞ —Å—Ç–∞—Ç—å —á–∞—Å—Ç—å—é –≤–µ–ª–∏–∫–æ–π –º–∏—Å—Å–∏–∏.

¬´–ì–∞—Ä—Ä–∏ –ü–æ—Ç—Ç–µ—Ä –∏ —Ñ–∏–ª–æ—Å–æ—Ñ—Å–∫–∏–π –∫–∞–º–µ–Ω—å¬ª —Å—Ç–∞–ª —Å–∏–º–≤–æ–ª–æ–º –º–∞–≥–∏–∏, –≤–µ—Ä—ã –≤ —á—É–¥–µ—Å–∞ –∏ —Å–∏–ª—ã, –∞ —Ç–∞–∫–∂–µ –æ—Å—Ç–∞–≤–∏—Ç –Ω–∞ –≤–µ–∫–∞ –≥–ª—É–±–æ–∫–∏–π —Å–ª–µ–¥ –≤ –ª–∏—Ç–µ—Ä–∞—Ç—É—Ä–Ω–æ–º –Ω–∞—Å–ª–µ–¥–∏–∏.

📚 ドキュメント

量子化バリアント

試してみる

Ru Arena Generalの評価結果

モデル	スコア	95%信頼区間	平均トークン数
Vikhrmodels-QVikhr-3-1.7B-Instruction-noreasoning	59.2	(-2.1, 1.8)	1053
noresoning-Qwen3-1.7B	51.9	(-1.9, 1.5)	999
Qwen3-1.7B	49.7	(-1.8, 1.9)	1918

説明

QVikhr-3-1.7B-Instruction-noreasoningは、GrandMaster-2データセットで学習された強力な言語モデルです。ロシア語の指示生成、文脈応答、テキスト分析に優れています。このモデルは、指示型タスクとテキストデータ処理に最適化されており、専門的な使用やユーザー向けのアプリケーションやサービスへの統合に適しています。

学習

QVikhr-3-1.7B-Instruction-noreasoningは、SFT (Supervised Fine-Tuning) とFFT (Full Fine-Tune) の方法を用いて開発されました。学習には、ロシア語のデータセットであるGrandMaster-2を使用しています。

🔧 技術詳細

原ドキュメントに具体的な技術詳細が記載されていないため、このセクションをスキップします。

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。

著者

Sergei Bratchikov, NLP Wanderer, Vikhr Team
Nikolay Kompanets, LakoMoor, Vikhr Team
Konstantin Korolev, Vikhr Team
Aleksandr Nikolich, Vikhr Team

引用方法

@inproceedings{nikolich2024vikhr,
  title={Vikhr: Advancing Open-Source Bilingual Instruction-Following Large Language Models for Russian and English},
  author={Aleksandr Nikolich and Konstantin Korolev and Sergei Bratchikov and Nikolay Kompanets and Igor Kiselev and Artem Shelmanov},
  booktitle={Proceedings of the 4th Workshop on Multilingual Representation Learning (MRL) @ EMNLP-2024},
  year={2024},
  publisher={Association for Computational Linguistics},
  url={[https://arxiv.org/pdf/2405.13929](https://arxiv.org/pdf/2405.13929)}
}

@misc{qwen3technicalreport,
      title={Qwen3 Technical Report}, 
      author={Qwen Team},
      year={2025},
      eprint={2505.09388},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.09388}, 
}